基于深度网络和自适应阈值的脑电信号分类和伪影消除

Electroencephalogram Signal Classification and Artifact Removal with Deep Networks and Adaptive Thresholding

摘要：脑电信号等生理信号在采集和处理过程中经常受到伪影干扰。其中一些伪影可能会恶化与有意义信息相关的信号的基本属性。这些伪影大多是由于人们在获取过程中不自觉的运动或动作而产生的。因此，建议使用信号处理的方法消除这些伪影。本文提出了两种伪影的分类和消除机制。第一阶段使用定制的深度网络对干净的脑电信号和伪影信号进行分类。分类是在特征层上进行的，使用卷积层提取公共空间模式特征，然后使用支持向量机分类器对这些特征进行分类。在第二阶段，对伪影信号进行经验模态分解，并提出自适应阈值消除机制。在该迭代机制中，每个固有模态分解的阈值都会发生改变。

关键词：伪影消除，深度网络，脑电信号分类，经验模态分解

点击分享码全文pdf浏览：https://rdcu.be/dhbcg

Cite this article: Mathe, M., Mididoddi, P. & Battula Tirumala, K. Electroencephalogram Signal Classification and Artifact Removal with Deep Networks and Adaptive Thresholding. J. Shanghai Jiaotong Univ. (Sci.) (2023). https://doi.org/10.1007/s12204-023-2609-8

《上海交通大学学报（英文版）》是由教育部主管、上海交通大学主办的自然科学综合性学术期刊，被 EI、Scopus等检索系统收录。主要刊登反映基础理论和工程领域实验研究的最新成果，如电子工程和自动化、计算机和通信工程、船舶海洋和建筑工程、材料科学与工程以及生物医学工程等。从 2021 年开始，《上海交通大学学报（英文版）》主要刊登医工交叉研究和人工智能及其在工程中的应用成果。 

英文版主页：https://xuebao.sjtu.edu.cn/sjtu_en/EN/1007-1172/home.shtml

英文版 on Springer：https://link.springer.com/journal/12204